[论文解读] Deep Stochastic Radar Models

Tim A. Wheeler, Martin Holder+2 more|arXiv (Cornell University)|Jan 31, 2017

Radar Systems and Signal Processing被引用 5

一句话总结

本文提出了一种使用条件变分自编码器（VAEs）并结合对抗训练的深度随机雷达模型，用于模拟逼真的车载雷达回波。通过利用真实世界雷达数据，并结合自编码器损失与对抗损失，该模型能够准确再现多径效应、杂波以及距离相关的功率损耗等雷达现象，同时实现实时运行，在保真度和真实感方面优于基线模型。

ABSTRACT

Accurate simulation and validation of advanced driver assistance systems requires accurate sensor models. Modeling automotive radar is complicated by effects such as multipath reflections, interference, reflective surfaces, discrete cells, and attenuation. Detailed radar simulations based on physical principles exist but are computationally intractable for realistic automotive scenes. This paper describes a methodology for the construction of stochastic automotive radar models based on deep learning with adversarial loss connected to real-world data. The resulting model exhibits fundamental radar effects while remaining real-time capable.

研究动机与目标

• 开发一种实时、数据驱动的雷达仿真模型，以捕捉多径效应和杂波等复杂雷达现象。
• 克服在真实车载场景中基于物理的雷达仿真计算不可行的问题。
• 构建一种传感器模型，可无缝集成至现有的车载仿真框架中，输入为栅格图与目标列表。
• 通过对抗训练防止预测平均化，从而提升雷达仿真的真实感。
• 通过与真实雷达测量数据对比，验证模型在距离、角度和功率分布方面的准确性。

提出的方法

• 该模型采用条件变分自编码器（VAE）架构，学习从场景表征（栅格图与目标列表）到雷达功率回波场的概率映射。
• VAE采用混合损失函数：重建损失（L2）用于保持信号保真度，对抗损失用于增强真实感并避免模式崩溃。
• 输入的场景表征结合了用于地形和障碍物的二维空间栅格图，以及包含位姿和材料属性的动态实体目标列表。
• 训练一个判别器网络，以区分真实雷达测量值与生成的预测结果，从而促使生成器输出更具真实感的结果。
• 该模型为端到端可训练结构，输出为二维张量形式的接收功率，表示在距离-方位角空间中的雷达回波，实现实时仿真速度。
• 通过Kullback-Leibler散度分析杂波分布，并与雷达距离方程进行对比，对方法进行评估。

实验结果

研究问题

• RQ1 基于真实世界雷达数据进行训练的深度学习模型，能否准确模拟多径效应和杂波等复杂雷达现象？
• RQ2 将自编码器损失与对抗损失结合，是否能相比标准VAE或高斯混合模型（GMM）基线，显著提升雷达仿真的真实感？
• RQ3 该模型在多大程度上能准确再现雷达距离方程及随距离变化的功率损耗？
• RQ4 该模型在未见过的场景和杂波配置下，泛化能力如何？
• RQ5 该模型能否扩展至包含相对速度的三维输出张量（距离、方位角、多普勒）而不损失性能？

主要发现

• 采用混合损失的VAE（同时包含L2损失与对抗损失）在杂波距离（0.014）、角度（0.078）和功率（0.161）的Kullback-Leibler散度上均达到最低，优于所有基线模型。
• 纯VAE模型对局部高功率回波过度平滑，导致功率分布拟合效果差，而对抗VAE则生成了更具真实感的高功率簇状分布。
• 该模型成功再现了雷达距离方程，对于角反射器，其功率损耗符合预期的1/r^4关系。
• 该模型准确预测了非铺装路面杂波的位置与功率分布，在距离和角度上的定位精度较高。
• 对抗组件显著减少了模式崩溃现象，提升了预测多样性，避免了标准VAE中常见的平均化效应。
• 该模型展现出实时推理能力，适用于大规模车载仿真环境。